Przejdź do treści

VibeVoice 7B

Integracja

Identyfikator modelu vibevoice/7b
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/vibevoice/7b?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "speakers": [
      {
        "preset": "Frank [EN]"
      },
      {
        "preset": "Carter [EN]"
      }
    ]
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

To żądanie: ≈0,04 $ 40 kredytów API Uruchom na tej stronie

Uzyskaj klucz API
Microsoft Tekst na mowę #text-to-speech#multi-speaker#podcast

Większy model VibeVoice do dialogów wielu mówców, ze skryptami do 30000 znaków

Microsoft · Audio

Tutaj pojawi się pierwszy wynik

Zbuduj poniżej żądanie i uruchom je za pomocą klucza API. Wyniki są kopiowane do naszej przestrzeni dyskowej i przechowywane bezterminowo lub 7 dni bezpłatnie.

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

•wymagane 88 / 30000

Skrypt wejściowy mowy, z opcjonalnymi etykietami 'Speaker X:' umożliwiającymi rozróżnienie rozmówców w dialogu.

•wymagane

Rozmówcy są wykrywani automatycznie na podstawie skryptu lub dostarczonych próbek głosu; podaj listę, aby określić ich jawnie.

Zaawansowane cfg_scale · seed · enable_safety_checker
domyślnie 1.3

Siła CFG (Classifier-Free Guidance) określa, jak dokładnie generowanie podąża za tekstem; wyższe wartości zapewniają silniejsze dopasowanie.

Losowe ziarno zapewniające powtarzalność generowania.

POST /run/vibevoice/7b?wait=20 wycena → 0,04 $
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/vibevoice/7b?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "speakers": [
      {
        "preset": "Frank [EN]"
      },
      {
        "preset": "Carter [EN]"
      }
    ]
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o VibeVoice 7B

Konwertuje `script` o długości do 30000 znaków na mowę, używając prefiksów „Speaker X:” dla dialogów oraz wymaganej listy `speakers` definiującej głosy. `cfg_scale` mieści się w zakresie od 1 do 2, a `seed` umożliwia powtarzalne wyniki. To wersja 7B tej rodziny, z krótszym limitem tekstu niż model 1.5B.

Parametry

NazwaTyp DomyślneDozwolone Opis
scriptwymagane
Typstring
≤ 30 000 znaków
Skrypt wejściowy mowy, z opcjonalnymi etykietami 'Speaker X:' umożliwiającymi rozróżnienie rozmówców w dialogu.
speakerswymagane
Typobject[]
Rozmówcy są wykrywani automatycznie na podstawie skryptu lub dostarczonych próbek głosu; podaj listę, aby określić ich jawnie.
speakers[].presetopcjonalne
Typenum
DomyślneAlice [EN]
Alice [EN]Carter [EN]Frank [EN]Mary [EN] (Background Music)Maya [EN]Anchen [ZH] (Background Music)Bowen [ZH]Xinran [ZH]
Zapasowy preset głosu dla rozmówcy bez `audio_url`; dostarczenie tej próbki audio ma pierwszeństwo przed presetem.
speakers[].audio_urlopcjonalne
Typurl · audio
Adres URL pliku audio z próbką głosu; jego podanie zastępuje `preset`.
seedopcjonalne
Typinteger | null
Losowe ziarno zapewniające powtarzalność generowania.
cfg_scaleopcjonalne
Typnumber
Domyślne1.3
1 – 2
Siła CFG (Classifier-Free Guidance) określa, jak dokładnie generowanie podąża za tekstem; wyższe wartości zapewniają silniejsze dopasowanie.
enable_safety_checkeropcjonalne
Typboolean
Domyślnetrue
Filtrowanie można złagodzić, ustawiając false, jeśli wywołujący ma odpowiednie uprawnienia.
wymagane

Wynik

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "vibevoice/7b",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 40,
    "usd": "0.04",
    "charged": 40,
    "refunded": 0
  },
  "input": {
    "script": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field",
    "speakers": [
      {
        "preset": "Frank [EN]"
      },
      {
        "preset": "Carter [EN]"
      }
    ]
  },
  "output": {
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_name": "0-output.mp3",
      "file_size": 1843200
    },
    "duration": 5,
    "sample_rate": 24000,
    "generation_time": 5.6,
    "rtf": 0.53
  },
  "outputs": [
    {
      "type": "audio",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_size": 1843200,
      "duration": 12,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
audio
object {url, content_type, file_name, file_size}Plik audio zawierający zsyntetyzowaną mowę.
duration
numberDługość wyniku audio mierzona w sekundach.
sample_rate
integerCzęstotliwość próbkowania wyniku audio.
generation_time
numberCzas generowania audio mierzony w sekundach.
rtf
numberWspółczynnik czasu rzeczywistego obliczany jako generation_time podzielone przez audio_duration; mniejsze wartości oznaczają lepszą wydajność.

Więcej modeli: Tekst na mowę

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/vibevoice/7b.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt